知財求人 - 知財ポータルサイト「IP Force」
▶ ホアウェイ・テクノロジーズ・カンパニー・リミテッドの特許一覧
(19)【発行国】日本国特許庁(JP)
(12)【公報種別】公表特許公報(A)
(11)【公表番号】
(43)【公表日】2022-03-03
(54)【発明の名称】血圧推定方法
(51)【国際特許分類】
A61B 5/021 20060101AFI20220224BHJP
A61B 5/02 20060101ALI20220224BHJP
A61B 5/0245 20060101ALI20220224BHJP
【ＦＩ】
A61B5/021
A61B5/02 310B
A61B5/0245 200
【審査請求】有
【予備審査請求】未請求
(21)【出願番号】P 2021515503
(86)(22)【出願日】2019-12-11
(85)【翻訳文提出日】2021-04-15
(86)【国際出願番号】 CN2019124557
(87)【国際公開番号】W WO2021114134
(87)【国際公開日】2021-06-17
(81)【指定国・地域】
(71)【出願人】
【識別番号】504161984
【氏名又は名称】ホアウェイ・テクノロジーズ・カンパニー・リミテッド
(74)【代理人】
【識別番号】110000877
【氏名又は名称】龍華国際特許業務法人
(72)【発明者】
【氏名】佐藤 正平
【テーマコード（参考）】
4C017
【Ｆターム（参考）】
4C017AA08
4C017AA09
4C017AA10
4C017AB03
4C017AC27
4C017AC28
4C017BC11
4C017BD01
4C017BD05
4C017FF08
(57)【要約】
本願は、機械学習を使用する血圧（ＢＰ）推定技術であって、血圧推定方法を提供する技術に関し、ここで、方法は、患者のベースラインＢＰ値を取得する段階と、患者に関連する光電容積脈波（ＰＰＧ）信号を取得する段階と、ベースラインＢＰ値、ＰＰＧ信号、および推定モデルを使用することにより、患者のＢＰ値を推定する段階であって、推定モデルは、ＰＰＧ信号に基づいてＢＰ値とベースラインＢＰ値との間の差を推定するように構成される、推定する段階とを含む。
【特許請求の範囲】
【請求項1】
血圧推定方法であって、患者のベースライン血圧（ＢＰ）値を取得する段階と、
前記患者に関連する光電容積脈波（ＰＰＧ）信号を取得する段階と、
前記ベースラインＢＰ値、前記ＰＰＧ信号、および推定モデルを使用することにより、前記患者のＢＰ値を推定する段階であって、前記推定モデルは、前記ＰＰＧ信号に基づいて前記ＢＰ値と前記ベースラインＢＰ値との間の差を推定するように構成される、推定する段階と
を備える、方法。
【請求項2】
前記推定モデルは、所与のＢＰ値の各々と前記所与のＢＰ値に関連する所与のベースラインＢＰ値との間の差を指示する第１のデータを含むトレーニングデータセットを使用する機械学習により構築される、請求項１に記載の方法。
【請求項3】
前記トレーニングデータセットはさらに、前記所与のＢＰ値に関連する所与のＰＰＧ信号から抽出された少なくとも１つの特徴を指示する第２のデータを含む、請求項２に記載の方法。
【請求項4】
前記トレーニングデータセットは、前記所与のＢＰ値における所与の心拍数（ＨＲ）値の各々と、前記所与のベースラインＢＰ値における所与のＨＲ値との間の差を指示する第３のデータを含む、請求項２または３に記載の方法。
【請求項5】
前記所与のＰＰＧ信号は、複数のＰＰＧパルスを含み、前記トレーニングデータセットは、各ＰＰＧパルスの特徴と、前記所与のベースラインＢＰ値に関連するＰＰＧパルスの対応する特徴との間の関係を指示する第４のデータを含む、請求項３に記載の方法。
【請求項6】
前記関係は、２つの前記特徴の間の差、２つの前記特徴の比、または、２つの前記特徴の間の数学的関係を表す予め定められた関数である、請求項５に記載の方法。
【請求項7】
前記患者の前記ＢＰ値を推定する前記段階は、前記患者の収縮期血圧（ＳＢＰ）値と最低血圧（ＤＢＰ）値とを推定する段階を含む、請求項１から６のいずれか一項に記載の方法。
【請求項8】
前記ベースラインＢＰ値に対応するＰＰＧパルス波形に基づいて、前記ＰＰＧ信号の各ＰＰＧパルス波形を正規化する段階をさらに備える、請求項１から７のいずれか一項に記載の方法。
【請求項9】
前記患者の前記ベースラインＢＰ値を取得する前記段階は、健診レポートの画像を撮像する段階と、前記患者の前記ベースラインＢＰ値として、前記健診レポートの前記画像から特定のＢＰ値を読み取る段階とを含む、請求項１から８のいずれか一項に記載の方法。
【請求項10】
血圧推定装置であって、前記血圧推定装置は、プロセッサと光電容積脈波（ＰＰＧ）センサとを備え、前記プロセッサは、患者のベースライン血圧（ＢＰ）値を取得することと、
前記ＰＰＧセンサを介して前記患者に関連するＰＰＧ信号を取得することと、
前記ベースラインＢＰ値、前記ＰＰＧ信号、および推定モデルを使用することにより、前記患者のＢＰ値を推定することであって、前記推定モデルは、前記ＰＰＧ信号に基づいて前記ＢＰ値と前記ベースラインＢＰ値との間の差を推定するように構成される、推定することとを行うように構成される、装置。
【請求項11】
前記推定モデルは、所与のＢＰ値の各々と前記所与のＢＰ値に関連する所与のベースラインＢＰ値との間の差を指示する第１のデータを含むトレーニングデータセットを使用する機械学習により構築される、請求項１０に記載の装置。
【請求項12】
前記トレーニングデータセットはさらに、前記所与のＢＰ値に関連する所与のＰＰＧ信号から抽出された少なくとも１つの特徴を指示する第２のデータを含む、請求項１１に記載の装置。
【請求項13】
前記トレーニングデータセットは、前記所与のＢＰ値における所与の心拍数（ＨＲ）値の各々と、前記所与のベースラインＢＰ値における所与のＨＲ値との間の差を指示する第３のデータを含む、請求項１１または１２に記載の装置。
【請求項14】
前記所与のＰＰＧ信号は、複数のＰＰＧパルスを含み、前記トレーニングデータセットは、各ＰＰＧパルスの特徴と、前記所与のベースラインＢＰ値に関連するＰＰＧパルスの対応する特徴との間の関係を指示する第４のデータを含む、請求項１２に記載の装置。
【請求項15】
前記関係は、前記２つの特徴の間の差、前記２つの特徴の比、または、前記２つの特徴の間の数学的関係を表す予め定められた関数である、請求項１４に記載の装置。
【請求項16】
前記患者の前記ＢＰ値を推定する前に、前記プロセッサは、前記患者の収縮期血圧（ＳＢＰ）値と最低血圧（ＤＢＰ）値とを推定するように構成される、請求項１０から１５のいずれか一項に記載の装置。
【請求項17】
前記プロセッサはさらに、前記ベースラインＢＰ値に対応するＰＰＧパルス波形に基づいて、前記ＰＰＧ信号の各ＰＰＧパルス波形を正規化するように構成される、請求項１０から１６のいずれか一項に記載の装置。
【請求項18】
前記患者の前記ベースラインＢＰ値を取得する場合、前記プロセッサは、健診レポートの画像を取得することと、前記患者の前記ベースラインＢＰ値として、前記健診レポートの前記画像から特定のＢＰ値を読み取ることとを行うように構成される、請求項１０から１７のいずれか一項に記載の装置。
【請求項19】
請求項１から９のいずれか一項に記載の血圧推定方法をコンピュータに実行させるプログラム。
【発明の詳細な説明】
【技術分野】
【0001】
本開示は、機械学習を使用する血圧（ｂｌｏｏｄ ｐｒｅｓｓｕｒｅ，ＢＰ）推定技術、具体的には、光電容積脈波（ｐｈｏｔｏｐｌｅｔｈｙｓｍｏｇｒａｍ，ＰＰＧ）信号を使用するＢＰ推定方法、ならびに、カフレスＢＰモニタ、医療デバイス、パーソナルＢＰ測定デバイス、携帯電話、スマートフォン、通信端末、タブレットデバイスなどのモバイルデバイス、パーソナルコンピュータ、スマートウォッチ、またはヘルスケアデバイスなどといった装置に関する。
【背景技術】
【0002】
血圧（ＢＰ）は、基本的なバイタルサインのうち１つであり、動脈硬化症、虚血性障害、高血圧、動脈炎、心筋梗塞、または脳卒中などといった心血管疾患を予測するのに使用される。頻繁なＢＰ測定は、そのような心血管疾患の早期診断に重要である。頻繁なＢＰ測定を容易にすべく、患者に不快感を与え得るカフの膨脹および収縮を必要とする従来のＢＰ測定の代わりに、光電容積脈波（ＰＰＧ）センサを使用するカフレスＢＰ測定が開発される。加えて、ＬＥＤ（Ｌｉｇｈｔ Ｅｍｉｔｔｉｎｇ Ｄｉｏｄｅ）フラッシュおよびスマートフォン内に搭載されたカメラを使用するスマートフォンＰＰＧ、またはビデオ画像からパルス波を測定する方法などといった新しいＰＰＧ測定技術が提案されている。これらのカフレスＢＰ測定技術は、継続的なＢＰモニタリングを実現可能にする。
【0003】
カフレスＢＰ測定は、ＰＰＧセンサにより取得されたＰＰＧ信号に基づいてＢＰ推定を使用する。ＢＰ推定に関して、例えば、パルス遷移時間（ｐｕｌｓｅ ｔｒａｎｓｉｔｉｏｎ ｔｉｍｅ，ＰＰＴ）ベースのアプローチと、パルス波形解析（ｐｕｌｓｅ ｗａｖｅｆｏｒｍ ａｎａｌｙｓｉｓ，ＰＷＡ）ベースのアプローチが存在する。ＰＴＴベースのアプローチは、動脈におけるパルス波速度（ｐｕｌｓｅ ｗａｖｅ ｖｅｌｏｃｉｔｙ，ＰＷＶ）がその血管の剛性に比例するとみなし、ＰＴＴで除算されたパルス波距離として表されるＰＷＶに基づいてＢＰ推定を行う。ＰＴＴベースのアプローチで使用される原則は、「メーンズ・コルテベークの式」により表され得る。一方、ＰＷＡベースのアプローチは、「ウィンドケッセルモデル」を使用し、これは、大動脈などの弾性動脈の拡張と平均動脈圧（ｍｅａｎ ａｒｔｅｒｉａｌ ｐｒｅｓｓｕｒｅ，ＭＡＰ）との間の関係を微分方程式で説明する。当該関係は、類推による末梢血流量と末梢動脈圧との間の関係により置き換えられ得る。ＰＰＴベースのアプローチとＰＷＡベースのアプローチとは、組み合わせで使用され得る。
【0004】
ＢＰは、総末梢抵抗（ｔｏｔａｌ ｐｅｒｉｐｈｅｒａｌ ｒｅｓｉｓｔａｎｃｅ，ＴＰＲ）と、心拍数（ｈｅａｒｔ ｒａｔｅ，ＨＲ）およびストロークボリュームにより決定される心拍出量との積により定義され得る。ＢＰ変動は、例えば、年齢または季節による長期的な変動と、短期的な変動成分とにより構成される。短期的な変動成分は、交感神経系／副交感神経系、または圧受容器などといった様々な要因により影響される。さらに、ＢＰは、エピネフリンの注射、横たわりから起立への姿勢変化、白衣性高血圧、および仮面高血圧などにより影響され得る。これらの短期効果は、高血圧の評価または管理のためにＢＰ推定の適切な精度を実現するために、除去されるべきである。
【0005】
ＢＰ推定の精度を向上させるべく、近年、機械学習を使用するいくつかのＢＰ推定技術が提案されている。例えば、Ｍ．Ｌｉｕ ｅｔ ａｌ．，「Ｃｕｆｆｌｅｓｓ Ｂｌｏｏｄ Ｐｒｅｓｓｕｒｅ Ｅｓｔｉｍａｔｉｏｎ Ｂａｓｅｄ ｏｎ Ｐｈｏｔｏｐｌｅｔｈｙｓｍｏｇｒａｍｙ Ｓｉｇｎａｌ ａｎｄ Ｉｔｓ Ｓｅｃｏｎｄ Ｄｅｒｉｖａｔｉｖｅ」，Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｊｏｕｒｎａｌ ｏｆ Ｃｏｍｐｕｔｅｒ Ｔｈｅｏｒｙ ａｎｄ Ｅｎｇｉｎｅｅｒｉｎｇ，Ｖｏｌ．９，Ｎｏ．３，Ｊｕｎｅ ２０１７，２０２－２０６（以下、Ｌｉｕ）は、サポートベクトル回帰（Ｓｕｐｐｏｒｔ Ｖｅｃｔｏｒ Ｒｅｇｒｅｓｓｉｏｎ，ＳＶＲ）を使用するＰＴＴベースのアプローチを教示しており、ＢＰ推定において、ＳＶＲが、線形回帰とニューラルネットワークとより良い性能を示すことを説明する。Ｙ．Ｌｉａｎｇ ｅｔ ａｌ．，「Ｈｙｐｅｒｔｅｎｓｉｏｎ Ａｓｓｅｓｓｍｅｎｔ ｖｉａ ＥＣＧ ａｎｄ ＰＰＧ Ｓｉｇｎａｌｓ： Ａｎ Ｅｖａｌｕａｔｉｏｎ Ｕｓｉｎｇ ＭＩＭＩＣ Ｄａｔａｂａｓｅ」，ｄｉａｇｎｏｓｔｉｃｓ ２０１８，８，６５（以下、Ｌｉａｎｇ）は、ロジスティック回帰、ＡｄａＢｏｏｓｔ Ｔｒｅｅ、Ｂａｇｇｅｄ Ｔｒｅｅおよびｋ近傍法を使用するＢＰ推定を教示する。Ｓ．Ｓｈｉｍａｚａｋｉ ｅｔ ａｌ．，「Ｆｅａｔｕｒｅｓ Ｅｘｔｒａｃｔｉｏｎ ｆｏｒ Ｃｕｆｆｌｅｓｓ Ｂｌｏｏｄ Ｐｒｅｓｓｕｒｅ Ｅｓｔｉｍａｔｉｏｎ ｂｙ Ａｕｔｏｅｎｃｏｄｅｒ ｆｒｏｍ Ｐｈｏｔｏｐｌｅｔｈｙｓｍｏｇｒａｍｙ」，Ｃｏｎｆ．Ｐｒｏｃ．，ＩＥＥＥ Ｅｎｇｉｎｅｅｒｉｎｇ ｉｎ Ｍｅｄｉｃｉｎｅ ａｎｄ Ｂｉｏｌｏｇｙ Ｓｏｃｉｅｔｙ，Ｊｕｌｙ，２０１８，２８５７－２８６０（以下、Ｓｈｉｍａｚａｋｉ）は、オートエンコーダを使用することにより抽出された特徴に基づいて機械学習を使用するＢＰ推定を教示する。Ｍ． Ｋａｃｈｕｅｅ ｅｔ ａｌ．，「Ｃｕｆｆｌｅｓｓ Ｂｌｏｏｄ Ｐｒｅｓｓｕｒｅ Ｅｓｔｉｍａｔｉｏｎ Ａｌｇｏｒｉｔｈｍｓ ｆｏｒ Ｃｏｎｔｉｎｕｏｕｓ Ｈｅａｌｔｈ－Ｃａｒｅ Ｍｏｎｉｔｏｒｉｎｇ」，ＩＥＥＥ ｔｒａｎｓａｃｔｉｏｎｓ ｏｆ Ｂｉｏｍｅｄｉｃａｌ Ｅｎｇｉｎｅｅｒｉｎｇ，Ｖｏｌ．６４，Ｎｏ．５，Ａｐｒｉｌ ２０１７（以下、Ｋａｃｈｕｅｅ）は、正規化線形回帰、決定木回帰、ＳＶＭ、ＡｄａＢｏｏｓｔ、およびランダムフォレスト回帰を使用するＢＰ推定を教示する。
【0006】
最適な抽出された特徴に基づいて機械学習を使用するＢＰ推定は、上述の短期効果を縮小し得、ＢＰの推定精度を向上させ得る。しかしながら、既存のＢＰ推定技術の精度は、人によって変わる血圧の本質的な差により、低下される。そのような本質的な差はＢＰと特徴との間の共通関係に影響を及ぼし、その効果は、ＢＰ推定の精度の向上において無視できない。これに関連して、例えば、ＢＰの２４時間平均または携帯型血圧モニタリング（ＡＢＰＭ）のもっとも低い値により定義され得るベースラインＢＰは、血管の抵抗の増加、動脈の剛性、細動脈のリモデリング、圧力－ナトリウム利尿関係のリセット、および心血管疾患などによって、年齢および／または患者の状態に応じて、徐々に増加する。したがって、ベースラインＢＰの差は、機械学習を使用するＢＰ推定の精度を低下させ得る。
【発明の概要】
【0007】
実施形態は、ＢＰ推定方法と、プロセッサおよびＰＰＧセンサを有し、ＢＰ推定に使用される装置とを提供する。装置は、カフレスＢＰモニタ、医療デバイス、またはパーソナルＢＰ測定デバイスなどであってよい。装置は、カフレスＢＰモニタ、医療デバイス、パーソナルＢＰ測定デバイス、携帯電話、スマートフォン、通信端末、タブレットデバイスなどのモバイルデバイス、パーソナルコンピュータ、スマートウォッチなどのウェアラブルデバイス、またはヘルスケアデバイスといったものであってもよい。
【0008】
実施形態の第１の態様は、血圧推定方法を提供する。第１の態様の第１の可能な実装形態において、方法は、患者のベースライン血圧（ＢＰ）値を取得する段階と、患者に関連する光電容積脈波（ＰＰＧ）信号を取得する段階と、ベースラインＢＰ値、ＰＰＧ信号、および推定モデルを使用することにより、患者のＢＰ値を推定する段階であって、推定モデルは、ＰＰＧ信号に基づいてＢＰ値とベースラインＢＰ値との間の差を推定するように構成される、推定する段階とを備える。
【0009】
第１の態様の第１の可能な実装形態によると、推定モデルは、ＢＰ値とベースラインＢＰ値との間の差を推定し、患者のベースラインＢＰ値は、患者のＢＰ値を推定する場合に考慮される。ベースラインＢＰ値により説明される患者の特徴は推定されたＢＰ値に反映され、その結果、ＢＰ推定の精度が向上され得る。
【0010】
第１の態様の第２の可能な実装形態は、第１の態様の第１の可能な実装形態に係る方法であって、ここで、推定モデルは、所与のＢＰ値の各々と所与のＢＰ値に関連する所与のベースラインＢＰ値との間の差を指示する第１のデータを含むトレーニングデータセットを使用する機械学習により構築される、方法を提供する。
【0011】
第１の態様の第２の可能な実装形態によると、トレーニングデータセットは、所与のＢＰ値と対応する所与のベースラインＢＰ値との間の差を指示するデータからなる。これは、推定モデルを構築するために使用されるトレーニングデータセットから人の個性の少なくとも一部を除去し得、当該推定モデルによるＢＰ推定の精度の向上が実現され得る。
【0012】
第１の態様の第３の可能な実装形態は、第１の態様の第２の可能な実装形態に係る方法であって、ここで、トレーニングデータセットはさらに、所与のＢＰ値に関連する所与のＰＰＧ信号から抽出された少なくとも１つの特徴を指示する第２のデータを含む、方法を提供する。
【0013】
第１の態様の第３の可能な実装形態によると、推定モデルは、所与のＰＰＧ信号から抽出された少なくとも１つの特徴、対応する所与のＢＰ値、ならびに、所与のＢＰ値と所与のベースラインＢＰ値との間の対応する差の組み合わせに基づいて構築され得る。少なくとも１つの特徴は、ＳＤＰＴＧ（ｓｅｃｏｎｄ ｄｅｒｉｖａｔｉｖｅ ｏｆ ｐｈｏｔｏｐｌｅｔｈｙｓｍｏｇｒａｍ，二次微分脈波）加齢指数、ＲＭＳＳＤ（ｒｏｏｔ ｍｅａｎ ｓｑｕａｒｅ ｏｆ ｓｕｃｃｅｓｓｉｖｅ ｄｉｆｆｅｒｅｎｃｅｓ ｏｆ ｐｅａｋ－ｔｏ－ｐｅａｋ ｉｎｔｅｒｖａｌｓ ｉｎ ｗａｖｅｆｏｒｍｓ，波形におけるピークツーピーク間隔の連続する差の二乗平均平方根）、ＰＰＧ信号のピークまたは谷のタイミング、ＰＰＧ信号の一次導関数におけるピークタイミング、ＰＰＧ信号の二次導関数におけるピークタイミングのうち少なくとも１つ、またはこれらの組み合わせであり得る。トレーニングデータセットの一部として最適な特徴セットを適用することはさらに、ＢＰ推定の精度を向上させ得る。
【0014】
第１の態様の第４の可能な実装形態は、第１の態様の第２または第３の可能な実装形態に係る方法であって、ここで、トレーニングデータセットは、所与のＢＰ値における所与の心拍数（ＨＲ）値の各々と、所与のベースラインＢＰ値における所与のＨＲ値との間の差を指示する第３のデータを含む、方法を提供する。
【0015】
第１の態様の第４の可能な実装形態によると、観察されたＨＲ値と、ベースラインＢＰ値における患者のＨＲ値との間の差を考慮し得る推定モデルが、機械学習により構築され得る。患者の静止状態において、ＨＲは、一般的に、ＢＰに比例してもよく、また、ＢＰと関連付けられる最適な特徴のうち１つであってもよい。したがって、ベースラインＢＰにおけるＨＲ値を考慮することはさらに、ＢＰ推定の精度を向上させ得る。
【0016】
第１の態様の第５の可能な実装形態は、第１の態様の第３の可能な実装形態に係る方法であって、ここで、所与のＰＰＧ信号は、複数のＰＰＧパルスを含み、トレーニングデータセットは、各ＰＰＧパルスの特徴と、所与のベースラインＢＰ値に関連するＰＰＧパルスの対応する特徴との間の関係を指示する第４のデータを含む、方法を提供する。
【0017】
第１の態様の第５の可能な実装形態によると、観察されたＰＰＧパルスから抽出された特徴と、ベースラインＢＰ値に対応する少なくとも１つのＰＰＧパルスの特徴との間の関係を考慮し得る推定モデルが、機械学習により構築され得る。これは、推定モデルを構築するために使用されるトレーニングデータから人の個性の少なくとも一部を除去し得、当該推定モデルによるＢＰ推定の精度の向上が実現され得る。
【0018】
第１の態様の第６の可能な実装形態は、第１の態様の第５の可能な実装形態に係る方法であって、ここで、関係は、２つの特徴の間の差、２つの特徴の比、または２つの特徴の間の数学的関係を表す予め定められた関数である、方法を提供する。上述したように、関係のタイプは、２つの特徴の形式または予め定められたプロトコルに従って適切に選択され得る。
【0019】
第１の態様の第７の可能な実装形態は、第１の態様の第１から第６の可能な実装形態のうちいずれか１つに係る方法であって、ここで、患者のＢＰ値を推定する段階は、患者の収縮期血圧（ＳＢＰ）値および最低血圧（ＤＢＰ）値を推定する段階を含む、方法を提供する。
【0020】
第１の態様の第７の可能な実装形態によると、患者は、いくつかの心血管疾患の予測および／または診断に有用であり得るＳＢＰ値およびＤＢＰ値を取得し得る。
【0021】
第１の態様の第８の可能な実装形態は、第１の態様の第１から第７の可能な実装形態のうちいずれか１つに係る方法であって、ここで、方法はさらに、ベースラインＢＰ値に対応するＰＰＧパルス波形に基づいて、ＰＰＧ信号の各ＰＰＧパルス波形を正規化する段階を備える、方法を提供する。
【0022】
第１の態様の第８の可能な実装形態によると、観察されたＰＰＧパルスは、ベースラインＢＰ値に対応するＰＰＧパルス波形に基づいて正規化され、従って、ＰＰＧ信号からの特徴抽出を容易にし、ＢＰ推定の精度を向上させる。
【0023】
第１の態様の第９の可能な実装形態は、第１の態様の第１から第８の可能な実装形態のうちいずれか１つに係る方法であって、ここで、患者のベースラインＢＰ値を取得する段階は、健診レポートの画像を撮像する段階と、患者のベースラインＢＰ値として、健診レポートの画像から特定のＢＰ値を読み取る段階とを含む、方法を提供する。
【0024】
第１の態様の第９の可能な実装形態によると、患者は、健診レポートを使用して患者のベースラインＢＰ値を入力し、従って、使いやすさを向上させ得る。
【0025】
実施形態の第２の態様は、血圧推定装置を提供する。第２の態様の第１の可能な実装形態において、装置はプロセッサとＰＰＧセンサとを備え、ここで、プロセッサは、患者のベースライン血圧（ＢＰ）値を取得することと、ＰＰＧセンサを介して患者に関連するＰＰＧ信号を取得することと、ベースラインＢＰ値、ＰＰＧ信号、および推定モデルを使用することにより、患者のＢＰ値を推定することであって、推定モデルは、ＰＰＧ信号に基づいてＢＰ値とベースラインＢＰ値との間の差を推定するように構成される、推定することとを行うように構成される。
【0026】
第２の態様の第１の可能な実装形態によると、推定モデルは、ＢＰ値とベースラインＢＰ値との間の差を推定し、患者のベースラインＢＰ値は、患者のＢＰ値を推定する場合に考慮される。ベースラインＢＰ値により説明される患者の特徴は推定されたＢＰ値に反映され、その結果、ＢＰ推定の精度が向上され得る。
【0027】
第２の態様の第２の可能な実装形態は、第２の態様の第１の可能な実装形態に係る装置であって、ここで、推定モデルは、所与のＢＰ値の各々と所与のＢＰ値に関連する所与のベースラインＢＰ値との間の差を指示する第１のデータを含むトレーニングデータセットを使用する機械学習により構築される、装置を提供する。
【0028】
第２の態様の第２の可能な実装形態によると、トレーニングデータセットは、所与のＢＰ値と対応する所与のベースラインＢＰ値との間の差を指示するデータからなる。これは、推定モデルを構築するために使用されるトレーニングデータから人の個性の少なくとも一部を除去し得、当該推定モデルによるＢＰ推定の精度の向上が実現され得る。
【0029】
第２の態様の第３の可能な実装形態は、第２の態様の第２の可能な実装形態に係る装置であって、ここで、トレーニングデータセットはさらに、所与のＢＰ値に関連する所与のＰＰＧ信号から抽出された少なくとも１つの特徴を指示する第２のデータを含む、装置を提供する。
【0030】
第２の態様の第３の可能な実装形態によると、推定モデルは、所与のＰＰＧ信号から抽出された少なくとも１つの特徴、対応する所与のＢＰ値、ならびに、所与のＢＰ値と所与のベースラインＢＰ値との間の対応する差の組み合わせに基づいて構築され得る。少なくとも１つの特徴は、ＳＤＰＴＧ加齢指数、ＲＭＳＳＤ、ＰＰＧ信号のピークまたは谷のタイミング、ＰＰＧ信号の一次導関数におけるピークタイミング、ＰＰＧ信号の二次導関数におけるピークタイミングのうち少なくとも１つ、またはこれらの組み合わせであり得る。トレーニングデータセットの一部として最適な特徴セットを適用することはさらに、ＢＰ推定の精度を向上させ得る。
【0031】
第２の態様の第４の可能な実装形態は、第２の態様の第２または第３の可能な実装形態に係る装置であって、ここで、トレーニングデータセットは、所与のＢＰ値における所与のＨＲ値の各々と、所与のベースラインＢＰ値における所与のＨＲ値との間の差を指示する第３のデータを含む、装置を提供する。
【0032】
第２の態様の第４の可能な実装形態によると、観察されたＨＲ値と、ベースラインＢＰ値における患者のＨＲ値との間の差を考慮し得る推定モデルが、機械学習により構築され得る。患者の静止状態において、ＨＲは、一般的に、ＢＰに比例してもよく、また、ＢＰと関連付けられる最適な特徴のうち１つであってもよい。したがって、ベースラインＢＰにおけるＨＲ値を考慮することはさらに、ＢＰ推定の精度を向上させ得る。
【0033】
第２の態様の第５の可能な実装形態は、第２の態様の第３の可能な実装形態に係る装置であって、ここで、所与のＰＰＧ信号は、複数のＰＰＧパルスを含み、トレーニングデータセットは、各ＰＰＧパルスの特徴と、所与のベースラインＢＰ値に関連するＰＰＧパルスの対応する特徴との間の関係を指示する第４のデータを含む、装置を提供する。
【0034】
第２の態様の第５の可能な実装形態によると、観察されたＰＰＧパルスから抽出された特徴と、ベースラインＢＰ値に対応する少なくとも１つのＰＰＧパルスの特徴との間の関係を考慮し得る推定モデルが、機械学習により構築され得る。これは、推定モデルを構築するために使用されるトレーニングデータセットから人の個性の少なくとも一部を除去し得、当該推定モデルによるＢＰ推定の精度の向上が実現され得る。
【0035】
第２の態様の第６の可能な実装形態は、第２の態様の第５の可能な実装形態に係る装置であって、ここで、関係は、２つの特徴の間の差、２つの特徴の比、または２つの特徴の間の数学的関係を表す予め定められた関数である、装置を提供する。上述したように、関係のタイプは、２つの特徴の形式または予め定められたプロトコルに従って適切に選択され得る。
【0036】
第２の態様の第７の可能な実装形態は、第２の態様の第１から第６の可能な実装形態のうちいずれか１つに係る装置であって、ここで、患者のＢＰ値を推定する場合、プロセッサは、患者のＳＢＰ値およびＤＢＰ値を推定するように構成される、装置を提供する。
【0037】
第２の態様の第７の可能な実装形態によると、患者は、いくつかの心血管疾患の予測および／または診断に有用であり得るＳＢＰ値およびＤＢＰ値を取得し得る。
【0038】
第２の態様の第８の可能な実装形態は、第２の態様の第１から第７の可能な実装形態のうちいずれか１つに係る装置であって、ここで、プロセッサはさらに、ベースラインＢＰ値に対応するＰＰＧパルス波形に基づいて、ＰＰＧ信号の各ＰＰＧパルス波形を正規化するように構成される、装置を提供する。
【0039】
第２の態様の第８の可能な実装形態によると、観察されたＰＰＧパルスは、ベースラインＢＰ値に対応するＰＰＧパルス波形に基づいて正規化され、従って、ＰＰＧ信号からの特徴抽出を容易にし、ＢＰ推定の精度を向上させる。
【0040】
第１の態様の第９の可能な実装形態は、第２の態様の第１から第８の可能な実装形態のうちいずれか１つに係る装置であって、ここで、患者のベースラインＢＰ値を取得する場合、プロセッサは、健診レポートの画像を取得することと、患者のベースラインＢＰ値として、健診レポートの画像から特定のＢＰ値を読み取ることとを行うように構成される、装置を提供する。
【0041】
第２の態様の第９の可能な実装形態によると、患者は、健診レポートを使用して患者のベースラインＢＰ値を入力し、従って、使いやすさを向上させ得る。
【0042】
実施形態の第３の態様は、コンピュータに、第１の態様の第１から第９の実装形態のうちいずれか１つに係る方法を実行させるためのプログラムを格納する非一時的コンピュータ可読記憶媒体を提供する。実施形態の第４の態様は、コンピュータに、第１の態様の第１から第９の実装形態のうちいずれか１つに係る方法を実行させるためのコンピュータ可読プログラムコードを提供する。
【0043】
第３の態様および第６の態様のいずれか１つによると、推定モデルを構築する場合、人の個性の少なくとも一部がトレーニングデータセットから除去され得、当該推定モデルによるＢＰ推定の精度の向上が実現され得る。
【0044】
実施形態の第５の態様は、第１の態様の第１から第９の実装形態のうちいずれか１つに係る推定モデルを構築する方法を提供する。実施形態の第６の態様は、第１の態様の第１から第９の実装形態のうちいずれか１つに係る推定モデルを構築する装置を提供する。実施形態の第７の態様は、コンピュータに、第５の態様に係る方法を実行させるためのプログラムを格納する非一時的コンピュータ可読記憶媒体を提供する。実施形態の第８の態様は、コンピュータに、第５の態様に係る方法を実行させるコンピュータ可読プログラムコードを提供する。
【0045】
第５の態様から第８の態様のいずれか１つによると、推定モデルを構築する場合、人の個性の少なくとも一部がトレーニングデータセットから除去され得、当該推定モデルによるＢＰ推定の精度の向上が実現され得る。
【図面の簡単な説明】
【0046】
【図1】本開示の実施形態に係るシステムを説明する概略ブロック図である。
【図2】本開示の実施形態に係るＢＰ測定装置を説明する概略ブロック図である。
【図3】本開示の実施形態に係るコンピューティングシステムを説明する概略ブロック図である。
【図4】本開示の実施形態に係るトレーニングデータセットを説明する第１の表を示す。
【図5】本開示の実施形態の変形例に係るトレーニングデータセットを説明する第２の表を示す。
【図6】本開示の実施形態に係るＢＰ測定動作を説明するフローチャートである。
【図7】本開示の実施形態の第１の変形例に係るモデル構築動作を説明するフローチャートである。
【発明を実施するための形態】
【0047】
以下では、添付の図面を参照して、実施形態の技術的解決手段を説明する。以下に説明される実施形態は、全てではなく、単に本開示に関する実施形態の一部であることが理解されよう。創造的な努力なしに、以下に説明される実施形態に基づいて当業者により導出され得る全ての他の実施形態は、本開示の保護範囲に含まれるものとすることに留意されたい。
【0048】
図１は、本開示の実施形態に係るシステムを説明する概略ブロック図である。図１に示されるシステムは、ＢＰ測定装置１０、コンピューティングシステム２０、およびカフ付きＢＰモニタ３０を含み得る。任意選択的に、このシステムはさらに、他のヘルスケア用モニタを含んでもよく、または、心電計（ｅｌｅｃｔｒｏｃａｒｄｉｏｇｒａｐｈ，ＥＣＧ）センサ、ＥＣＧセンサの代替品、インピーダンスカルジオグラフィ（ＩＣＧ）センサ、少なくとも１つのＰＰＧセンサ、ＰＰＧセンサアレイ、または圧力センサなどといったセンサを含んでもよく、他のヘルスケア用モニタまたはセンサは、装置１０に接続され得る。例えば、加速度センサ、振動センサ、ジャイロセンサ、シートタイプの圧力センサ、超音波センサ、マイクロ波センサ、またはミリメートル波レーダなどといったデバイスは、ＥＣＧセンサの代替品として使用され得る。少なくとも１つのＰＰＧセンサは、装置１０内に搭載されたＰＰＧセンサにより測定されたポイント以外の測定ポイントにおいてＰＰＧ信号を測定し得る。圧力センサは、トノメトリ法により橈骨動脈などをモニタリングしてもよく、または、ＰＰＧセンサの接触圧を管理してもよい。
【0049】
装置１０は、ネットワークＮＷを介してシステム２０と接続され得る。ネットワークＮＷは、ローカルエリアネットワーク（ＬＡＮ）、ワイドエリアネットワーク（ＷＡＮ）、またはこれらの組み合わせなどの無線または有線ネットワークであり得る。装置１０は、カフレスＢＰモニタ、医療デバイス、パーソナルＢＰ測定デバイス、携帯電話、スマートフォン、通信端末、タブレットデバイスなどのモバイルデバイス、パーソナルコンピュータ、スマートウォッチ、またはヘルスケアデバイスなどといった装置であってもよい。システム２０は、パーソナルコンピュータ、ワークステーション、サーバコンピュータ、または分散処理システムなどといったコンピュータであってもよい。モニタ３０は、ＢＰ測定に使用されるカフを有するモニタリングデバイスであってよい。
【0050】
装置１０は、カフレスＢＰ測定を実行して、患者のＢＰ値を取得するように構成される。システム２０は、機械学習によるＰＰＧ信号に基づいてＢＰ値を推定するための推定モデルを構築するように構成される。構築された推定モデルは装置１０に提供され、装置１０によるカフレスＢＰ測定に使用される。モニタ３０は、患者のＢＰ値を測定するように構成され、モニタ３０による測定結果は、装置１０により使用される推定モデルの定期的な較正に使用される。任意選択的に、モニタ３０はさらに、患者のＨＲ値を測定するように構成され得る。
【0051】
図２は、本開示の実施形態に係るＢＰ測定装置を説明する概略ブロック図である。図２に示されるように、装置１０は、ＰＰＧセンサ１１、プロセッサ１２、およびメモリ１３を含み得る。装置１０はさらに、ＬＣＤ（Ｌｉｑｕｉｄ Ｃｒｙｓｔａｌ Ｄｉｓｐｌａｙ）デバイス、またはＥＬＤ（Ｅｌｅｃｔｒｏ－Ｌｕｍｉｎｅｓｃｅｎｔ Ｄｉｓｐｌａｙ）デバイスなどといった表示デバイスを含み得る。任意選択的に、装置１０はさらに、デジタルカメラなどの撮像デバイスを含み得る。
【0052】
ＰＰＧセンサ１１は、ＬＥＤフラッシュなどといった光源と、ＣＭＯＳ（Ｃｏｍｐｌｅｍｅｎｔａｒｙ Ｍｅｔａｌ Ｏｘｉｄｅ Ｓｅｍｉｃｏｎｄｕｃｔｏｒ）センサなどといった光検出デバイスと、少なくとも１つのＣＰＵ（Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）などの処理回路とを含む。代替的に、ＰＰＧセンサ１１は、撮像された患者のビデオ画像を解析してＰＰＧ信号を取得することにより、ＰＰＧ測定デバイスになる場合がある。
【0053】
ＰＰＧセンサ１１が透過型センサであるとき、ＰＰＧセンサ１１は、患者の指などといった患者の身体の一部を介して透過された光に基づいてＰＰＧ信号を取得するように構成される。ＰＰＧセンサ１１が反映型センサであるとき、ＰＰＧセンサ１１は、患者の内部における反映光に基づくＰＰＧ信号を取得するように構成される。本開示の実施形態において、任意のＰＰＧセンサのタイプが、ＰＰＧセンサ１１に適用可能であり得る。
【0054】
プロセッサ１２は、データを処理するためのハードウェア要素であり、少なくとも１つのＣＰＵ、少なくとも１つのＦＰＧＡ（Ｆｉｅｌｄ－ｐｒｏｇｒａｍｍａｂｌｅ ｇａｔｅ ａｒｒａｙ）、または少なくとも１つのＧＰＵ（Ｇｒａｐｈｉｃｓ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）などといった処理回路であり得る。メモリ１３は、データを格納するハードウェア要素であり、ＳＳＤ（Ｓｏｌｉｄ Ｓｔａｔｅ Ｄｒｉｖｅ）、ＨＤＤ（Ｈａｒｄ Ｄｉｓｋ Ｄｒｉｖｅ）、ＲＡＭ（Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）、ＲＯＭ（Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）、フラッシュメモリ、またはメモリカードなどといったストレージデバイスであり得る。メモリ１３は、非一時的コンピュータ可読記憶媒体であり得る。
【0055】
例えば、プロセッサ１２は、患者のベースラインＢＰ値１３ａを取得することと、ＰＰＧセンサ１１を介して患者に関連するＰＰＧ信号を取得することと、ベースラインＢＰ値１３ａ、ＰＰＧ信号、および推定モデル１３ｂを使用することにより、患者のＢＰ値を推定することとを行うように構成され得る。推定モデル１３ｂは、ＰＰＧ信号に基づいてＢＰ値とベースラインＢＰ値１３ａとの間の差を推定するように構成される。任意選択的に、患者のＢＰ値を推定する前に、プロセッサ１２は、ベースラインＢＰ値１３ａに対応するＰＰＧパルス波形に基づいて、ＰＰＧ信号の各ＰＰＧパルス波形を正規化するように構成され得る。さらに、プロセッサ１２は、患者のＳＢＰ値およびＤＢＰ値を推定するように構成され得る。
【0056】
ベースラインＢＰ値１３ａは、患者により事前に入力され、メモリ１３に格納され得る。任意選択的に、プロセッサ１２は、患者の健診レポートの画像を取得することと、ベースラインＢＰ値１３ａとして、健診レポートの画像から特定のＢＰ値を読み取ることとを行うように構成され得る。健診レポートは、ベースラインＢＰ値１３ａの情報を含む情報媒体の一例である。推定モデル１３ｂは、システム１０により構築され、メモリ１３に予め格納されてもよく、または、ネットワークＮＷを介してシステム２０から受信されてもよい。
【0057】
図３は、本開示の実施形態に係るコンピューティングシステムを説明する概略ブロック図である。図３に示されるように、システム２０は、プロセッサ２１およびメモリ２２を含み得る。プロセッサ２１は、データを処理するためのハードウェア要素であり、少なくとも１つのＣＰＵ、少なくとも１つのＦＰＧＡ、または少なくとも１つのＧＰＵなどといった処理回路であり得る。メモリ２２は、データを格納するためのハードウェア要素であり、ＳＳＤ、ＨＤＤ、ＲＡＭ、ＲＯＭ、フラッシュメモリ、またはメモリカードなどといったストレージデバイスであり得る。メモリ２２は、非一時的コンピュータ可読記憶媒体であり得る。
【0058】
例えば、プロセッサ２１は、所与のＢＰ値の各々と所与のＢＰ値に関連する所与のベースラインＢＰ値との間の差を指示する第１のデータを含むトレーニングデータセット２２ａを使用する機械学習により推定モデル２２ｂを構築するように構成され得る。
【0059】
本開示の実施形態において、プロセッサ２１は、線形回帰、ニューラルネットワーク、サポートベクトル回帰、ロジスティック回帰、ＡｄａＢｏｏｓｔ Ｔｒｅｅ、Ｂａｇｇｅｄ Ｔｒｅｅ、ｋ近傍法、決定木回帰、またはランダムフォレスト回帰などといった技術に基づいて機械学習を実行し得る。
【0060】
トレーニングデータセット２２ａの少なくとも一部を取得するために、Ｍｅｄｉｃａｌ Ｉｎｆｏｒｍａｔｉｏｎ Ｍａｒｔ ｆｏｒ Ｉｎｔｅｎｓｉｖｅ Ｃａｒｅ（ＭＩＭＩＣ）データベースが使用され得、ここで、ＭＩＭＩＣデータベースは、何万もの集中治療室（ＩＣＵ）患者を含む自由に使用可能なデータベースであり、ＡＢＰデータ、ＥＣＧデータ、またはＰＰＧデータなどといった様々なタイプのデータを含む。
【0061】
トレーニングデータセット２２ａは、所与のＢＰ値に関連する所与のＰＰＧ信号から抽出された少なくとも１つの特徴を指示する第２のデータを含み得る。少なくとも１つの特徴を指示する第２のデータは、ＭＩＭＩＣデータベースなどのパブリックデータベースから取得されてもよく、または、オートエンコーダを使用することにより抽出されてもよい。
【0062】
例えば、いくつかのタイプの特徴は、ＥＣＧ、ＰＰＧ、ＶＰＧ（Ｖｅｌｏｃｉｔｙ ｗａｖｅｆｏｒｍ ｏｆ ＰＰＧ ｓｉｇｎａｌｓ，ＰＰＧ信号の速度波形）およびＡＰＧ（Ａｃｃｅｌｅｒａｔｉｏｎ ｗａｖｅｆｏｒｍ ｏｆ ＰＰＧ ｓｉｇｎａｌｓ，ＰＰＧ信号の加速度波形）信号に基づいて、ＰＰＧ特徴として定義され得る。ＶＰＧ信号は、元のＰＰＧ信号に対する１階微分として定義され得る。ＡＰＧ信号は、元のＰＰＧ信号に対する２階微分として定義され得る。ＰＰＴ特徴のうち１つは、ＥＣＧおよびＰＰＧ信号から抽出され得るパルス到着時間（ｐｕｌｓｅ ａｒｒｉｖａｌ ｔｉｍｅ，ＰＡＴ）である。さらに、ＰＰＧ、ＶＰＧおよびＡＰＧ信号から抽出され得るＰＰＧの形態的特徴が存在する。加えて、ＳＤＰＴＧ加齢指数、ＲＭＳＳＤ、ＰＰＧ信号のピークまたは谷のタイミング、ＶＰＧ信号のピークタイミング、ＡＰＧ信号のピークタイミング、またはこれらの組み合わせは、本開示の実施形態に適用可能なＰＰＧ特徴として抽出され得る。
【0063】
任意選択的に、トレーニングデータセット２２ａは、所与のＢＰ値における所与のＨＲ値の各々と、所与のベースラインＢＰ値における所与のＨＲ値との間の差を指示する第３のデータを含み得る。例えば、ＨＲおよびＢＰ値は、ＨＲ測定機能を有するＢＰモニタリングデバイスを使用することにより、同時に測定され得る。したがって、ＨＲおよびＢＰ値のペアを含むデータベースが与えられたとき、ＨＲおよびＢＰ値の関連するペアは、推定モデル２２ｂを構築するためのトレーニングデータセット２２ａとして使用され得る。加えて、トレーニングデータセット２２ａは、各ＰＰＧパルスの特徴と、所与のベースラインＢＰ値に関連するＰＰＧパルスの対応する特徴との間の関係を指示する第４のデータを含み得る。例えば、関係は、２つの特徴の間の差、２つの特徴の比、または、２つの特徴の間の数学的関係を表す予め定められた関数であり得る。
【0064】
図４は、本開示の実施形態に係るトレーニングデータセットを説明する第１の表を示す。図４に示されるように、第１の表は、複数の例のうち１つとして、同じまたは同様の対象に関するデータセット＃０１、＃０２、＃１１および＃１２を含む。データセット＃０１および＃０２の各々は、ベースラインＳＢＰ値、ＳＢＰ値、ベースラインＤＢＰ値、ＤＢＰ値、ベースラインＨＲ値、ＨＲ値および特徴からなる。データセット＃１１および＃１２の各々は、ＳＢＰ値とベースラインＳＢＰ値との間の差、ＤＢＰ値とベースラインＤＢＰ値との間の差、ＨＲ値とベースラインＨＲ値との間の差、および特徴からなる。ベースラインＳＢＰ／ＤＢＰ値は、ＢＰ値がベースラインＢＰ値に等しい場合、ＳＢＰ／ＤＢＰ値に対応する。ベースラインＨＲ値は、ＢＰ値がベースラインＢＰ値に等しい場合、ＨＲ値として定義され得る。データセット＃０１および＃０２はそれぞれ、データセット＃１１および＃１２に対応する。
【0065】
データセット＃１および＃２がトレーニングデータセット２２ａのソースとして与えられたとき、データセット＃１および＃２の各々に対して、プロセッサ２１は、ＳＢＰ値とベースラインＳＢＰとの間の差を、以下のように計算し得る：ΔＳＢＰ＝ＳＢＰ－ベースラインＳＢＰ。同様に、プロセッサ２１は、ＤＢＰ値とベースラインＤＢＰとの間の差を、以下のように計算し得る：ΔＤＢＰ＝ＤＢＰ－ベースラインＤＢＰ。また、ＨＲ値とベースラインＨＲとの間の差を以下のように計算し得る：ΔＨＲ＝ＨＲ－ベースラインＨＲ。図４の例において、プロセッサ２１は、データセット＃０１および＃０２の特徴を、データセット＃１１および＃１２に設定する。これは、プロセッサ２１が、推定モデル２２ｂを構築する場合、ＰＰＧ信号から抽出された特徴を直接使用し得ることを意味する。同様のやり方で、プロセッサ２１は、ΔＳＢＰ、ΔＤＢＰ、ΔＨＲおよび対応する特徴を含むデータセットを準備し得る。任意選択的に、これらのデータセットは、ＭＩＭＩＣデータベースなどの外部データソースから取得され得る。
【0066】
プロセッサ２１は、ΔＳＢＰ、ΔＤＢＰ、ΔＨＲおよび対応する特徴を含む準備されたデータセットに基づいて、推定モデル２２ｂを構築する。図４の例によると、準備されたデータセットは主に、ΔＳＢＰ，ΔＤＢＰ、およびΔＨＲという差からなる。これは、推定モデルを構築するために使用されるトレーニングデータセットから人の個性の少なくとも一部を除去し得、推定モデル２２ｂによるＢＰ推定の精度の向上の実現に寄与し得る。
【0067】
図５は、本開示の実施形態の変形例に係るトレーニングデータセットを説明する第２の表を示す。図５に示されるように、第２の表は、図４の第１の表の対応するデータセットと同一であるデータセット＃０１、＃０２、＃１１および＃１２を含む。図５の例において、「ベースライン」とラベリングされたレコードが表に追加される。このラベリングされたレコードは、ＳＢＰ値、ＤＢＰ値およびＨＲ値がそれぞれ、ベースラインＳＢＰ値、ベースラインＤＢＰ値およびベースラインＨＲ値に等しい場合、特徴を指示するために追加される。ラベリングされたレコードには、データセット＃１および＃２などの所定のデータセットに線形／非線形内挿補間、線形／非線形外挿補間、または統計モデルなどを適用することにより取得され得るＸ、ＹおよびＺの特徴が含まれる。さらに、パルス波解析（ｐｕｌｓｅ ｗａｖｅ ａｎａｌｙｓｉｓ，ＰＷＡ）アプローチに使用されるいくつかの特徴は、ベースラインにおけるＰＰＧパルスに基づいて正規化されたパルス波形を合成することにより抽出され得る。
【0068】
図５の例において、プロセッサ２１は、図４の例と同様に、ΔＳＢＰ，ΔＤＢＰ、およびΔＨＲを計算し得る。さらに、プロセッサ２１は、データセット＃０１の特徴Ａ１と、ラベリングされたレコードの対応する特徴Ｘとの間の関係を計算し得る。これらの特徴に関して、関係は、対応する２つの特徴の間の差である。従って、プロセッサ２１は、特徴Ａ１とＸとの間の差を計算し、当該差を、データセット＃０１に対応するデータセット＃１１に設定する。同様に、プロセッサ２１は、特徴Ａ２とＸとの間の差を計算し、当該差を、データセット＃０２に対応するデータセット＃１２に設定する。
【0069】
図５の例において、第２の表における特徴Ｂ１およびＢ２は、ラベリングされたレコードの特徴Ｙに対応する。これらの特徴に関して、関係は、対応する２つの特徴の比である。従って、プロセッサ２１は、Ｂ１とＹとの比を計算し、当該比をデータセット＃１１に設定する。同様に、プロセッサ２１は、Ｂ２とＹとの比を計算し、当該比をデータセット＃１２に設定する。さらに、ラベリングされたレコードの特徴Ｚに対応する特徴Ｃ１およびＣ２に関して、関係は、数学的関数であり得る関数Ｆにより提供される。特徴Ｃ１およびＣ２に関して、プロセッサ２１は、Ｆ（Ｃ１，Ｚ）およびＦ（Ｃ２，Ｚ）を計算し、これらの計算結果をそれぞれ、データセット＃１１および＃１２に設定する。任意選択的に、これらの特徴は、ＭＩＭＩＣデータベースなどの外部データソースから取得され得る。
【0070】
プロセッサ２１は、ΔＳＢＰ、ΔＤＢＰ、ΔＨＲおよび対応する特徴の関係を含む準備されたデータセットに基づいて、推定モデル２２ｂを構築する。図５の例によると、特徴ならびにΔＳＢＰ，ΔＤＢＰ、およびΔＨＲに対して、人の個性の少なくとも一部は、推定モデルを構築するのに使用されるトレーニングデータセットから除去され得、その結果、推定モデル２２ｂによるＢＰ推定の精度の向上が実装され得る。
【0071】
【0072】
段階Ｓ１１において、装置１０のプロセッサ１２は、患者のベースラインＢＰ値１３ａを取得する。ベースラインＢＰ値は、キーボード、キーパッド、タッチパネル、タッチパッドなどといった入力インターフェースを介して患者により入力され得る。任意選択的に、プロセッサ１２は、カフ付きＢＰモニタ３０などといったＢＰモニタリングデバイスからベースラインＢＰ値１３ａを取得し得る。この場合、患者は、ＢＰモニタリングデバイスを使用することによりベースラインＢＰ値１３ａを測定し、無線または有線通信ネットワークを介して、ベースラインＢＰ値１３ａを装置１０に伝送し得る。ベースラインＢＰ値１３ａは、メモリ１３に格納され、定期的に更新され得る。
【0073】
段階Ｓ１２において、プロセッサ１２は、ＰＰＧセンサ１１を介して患者に関連するＰＰＧ信号を取得する。ＰＰＧ信号を指示するデータは、メモリ１３に格納され得る。任意選択的に、プロセッサ１２はさらに、装置１０に接続されたセンサ（図示せず）から出力される他の信号を取得し得る。例えば、外部ＥＣＧセンサなどからの信号は、プロセッサ１２により取得され得る。
【0074】
段階Ｓ１３において、プロセッサ１２は、推定モデル１３ｂおよびＰＰＧ信号に基づいて、ＢＰ値とベースラインＢＰ値１３ａとの間の差を推定する。推定モデル１３ｂは、システム２０により構築され、装置１０のメモリ１３に予め格納され得る。任意選択的に、推定モデル１３ｂは、ネットワークＮＷを介してシステム２０から受信され得る。この場合、推定モデル１３ｂは、定期的に更新され、装置１０に提供され得る。
【0075】
任意選択的に、推定モデル１３ｂは、ＢＰ値を推定する前に較正されてもよく、または較正されなくてもよい。これに関連して、Ｋａｃｈｕｅｅは、ＢＰ推定の任意選択的な較正が、既存のＰＰＴベースのアプローチにおけるＢＰ推定精度を向上させ得ることを提案している。本開示の実施形態において、較正は、カフ付きＢＰモニタ３０から出力された実際のＢＰ値またはΔＢＰ値を使用することにより実行され得る。任意選択的に、推定モデル１３ｂは、システム２０により較正され得る。この場合、カフ付きＢＰモニタ３０から出力されたＢＰ値および／またはΔＢＰ値は、システム２０に提供され得、システム２０は推定モデル１３ｂを較正し得る。
【0076】
段階Ｓ１４において、プロセッサ１２は、取得されたベースラインＢＰ値１３ａを使用することにより患者のＢＰ値を計算し、推定モデル１３ｂを使用することによりＢＰ値とベースラインＢＰ値１３ａとの間の推定差を計算する。段階Ｓ１５において、プロセッサ１２は、装置１０に接続された表示デバイスに、計算されたＢＰ値を表示する。段階１５が完了した後、図６に示されるＢＰ測定動作は終了する。
【0077】
図７は、本開示の実施形態の第１の変形例に係るモデル構築動作を説明するフローチャートである。モデル構築動作は主に、システム２０により実行される。
【0078】
段階Ｓ２１において、システム２０のプロセッサ２１は、推定モデル２２ｂを構築するのに使用される特徴をＰＰＧ信号から抽出する。例えば、ＰＰＧ信号の特徴は、Ｓｈｉｍａｚａｋｉと同様の方式でオートエンコーダを使用することにより抽出され得る。任意選択的に、プロセッサ２１は、ＭＩＭＩＣデータベースなどのパブリックデータベースから、ＰＰＧ信号の抽出された特徴を取得し得る。この段階において、いくつかのタイプの特徴が、抽出または取得され得る。例えば、ＰＡＴは、ＥＣＧおよびＰＰＧ信号から抽出され得、ＰＰＧの形態的特徴は、ＰＰＧ、ＶＰＧおよびＡＰＧ信号から抽出され得る。加えて、プロセッサ２１は、ＳＤＰＴＧ加齢指数、ＲＭＳＳＤ、ＰＰＧ信号のピークまたは谷のタイミング、ＶＰＧ信号のピークタイミング、ＡＰＧ信号のピークタイミング、またはこれらの組み合わせを抽出し得る。
【0079】
段階Ｓ２２において、プロセッサ２１は、抽出された特徴に関連するＢＰ値およびベースラインＢＰ値を取得する。ベースラインＢＰ値は、ＰＰＧ信号、および／またはＥＣＧ信号などの他の信号などに基づいて推定され得る。段階Ｓ２３において、プロセッサ２１は、抽出された特徴に関連するＨＲ値およびベースラインＨＲ値を取得する。段階Ｓ２２およびＳ２３によると、プロセッサ２１は、図４および５に示される上述のデータセット＃０１および＃０２などのソースデータセットを取得し得る。ＨＲ値がプロセッサ２２により取得されなかったとき、段階Ｓ２３は省略され得る。
【0080】
段階Ｓ２４において、プロセッサ２１は、各取得されたＢＰ値と取得されたベースラインＢＰ値との間の差を計算する。段階Ｓ２５において、プロセッサ２１は、各取得されたＨＲ値と取得されたベースラインＨＲ値との間の差を計算する。段階Ｓ２６において、プロセッサ２１は、各抽出された特徴とベースラインＢＰ値に関連する特徴との間の関係を計算する。ベースラインＢＰ値に関連する特徴は、線形／非線形内挿補間、線形／非線形外挿補間、または統計モデルなどといった演算を、同じまたは同様の対象に関連する抽出された特徴に適用することにより識別され得る。任意選択的に、ベースラインにおいてＢＰおよびＨＲに関連する値が取得されなかったとき、段階Ｓ２６は省略され得る。この場合、抽出された特徴は、推定モデル２２ｂを構築するのに直接使用され得る。
【0081】
段階Ｓ２７において、プロセッサ２１は、計算された差および計算された関係をトレーニングデータセット２２ａとして使用する機械学習を実行し、推定モデル２２ｂを構築する。代替的に、段階Ｓ２６が省略されたとき、プロセッサ２１は、計算された差および抽出された特徴をトレーニングデータセット２２ａとして使用する機械学習を実行し得る。段階Ｓ２７において、機械学習は、線形回帰、ニューラルネットワーク、サポートベクトル回帰、ロジスティック回帰、ＡｄａＢｏｏｓｔ Ｔｒｅｅ、Ｂａｇｇｅｄ Ｔｒｅｅ、ｋ近傍法、決定木回帰、またはランダムフォレスト回帰などといった技術に基づいてよい。
【0082】
段階Ｓ２８において、プロセッサ２１は、実際に測定されたＢＰ値に基づいて推定モデル２２ｂの較正を実行し得る。測定されたＢＰ値は、カフ付きＢＰモニタ３０などといったＢＰモニタリングデバイスから取得され得る。較正は段階Ｓ２８の後に１回実行されるが、較正は、周期的にまたは任意のタイミングで実行され得、較正を実行する頻度は、２に等しいまたはそれより多くてよい。構築された推定モデル２２ｂは、装置１０に提供され、推定モデル１３ｂとしてメモリ１３に格納され得る。段階２８が完了した後、図７に示されるモデル構築動作は終了する。
【0083】
上述の開示は代表的な実施形態を開示するものに過ぎず、本発明の保護範囲を限定することを意図するものではない。当業者であれば、上述の実施形態と、本発明の請求項の範囲に基づいて導出され得る他の実施形態および修正の全部または一部とが、当然ながら本発明の範囲に含まれることを理解されよう。
【図1】
【図2】
【図3】
【図4】
【図5】
【図6】
【図7】
【国際調査報告】